Compte Google
moussa Bakayoko
moussabakayoko098@gmail.com
Notebook
Code Texte 
!pip install tensorflow

    
 
 

        

          

          
          Afficher la sortie masquée
        
        

      

        
          
          Code
        
        
          
          Texte
        
        
      

    

      

        

          
          

            
          

        

      
!pip show tensorflow


    
 
 

        

          

          
          Afficher la sortie masquée
        
        

      

        
          
          Code
        
        
          
          Texte
        
        
      

    

      

        

          
          

            
          

        

      
# Importer les bibliothèques nécessaires pour le prétraitement des données
import pandas as pd
from sklearn.compose import ColumnTransformer
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler, OneHotEncoder
from sklearn.impute import SimpleImputer
from sklearn.model_selection import train_test_split

# Importer TensorFlow et les composants nécessaires pour créer le modèle de réseau de neurones
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, BatchNormalization
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.callbacks import EarlyStopping, ReduceLROnPlateau

import matplotlib.pyplot as plt

# Étape d'importation terminée. 
# Passons à l'étape suivante : Prétraitement des données.


    
 
 

        

      

        
          
          Code
        
        
          
          Texte
        
        
      

    

      

        

          
          

            
          

        

      
# Importer TensorFlow pour vérifier si l'installation est bien reconnue
import tensorflow as tf

# Afficher la version de TensorFlow pour confirmer l'importation réussie
print("Version de TensorFlow :", tf.__version__)


    
 
 

        

          

          

            
 
Version de TensorFlow : 2.17.1


          

        

      

        
          
          Code
        
        
          
          Texte
        
        
      

    

      

        

          
          

            
          

        

      
# Charger le fichier CSV contenant les données
from google.colab import files
uploaded = files.upload("/Users/bakayokomoussa/Downloads/Project_PythonIA_Group_IPSSI-main/cars.csv")


    
 
 

        

          

          

            
 

          

        

      

        
          
          Code
        
        
          
          Texte
        
        
      

    

      

        

          
          

            
          

        

      
uploaded

    
 
 

        

          

          
          Afficher la sortie masquée
        
        

      

        
          
          Code
        
        
          
          Texte
        
        
      

    

      

        

          
          

            
          

        

      
data = pd.read_csv(list(uploaded.keys())[0])

    
 
 

        

      

        
          
          Code
        
        
          
          Texte
        
        
      

    

      

        

          
          

            
          

        

      
data

    
 
 

        

          

          
          Afficher la sortie masquée
        
        

      

        
          
          Code
        
        
          
          Texte
        
        
      

    

      

        

          
          

            
          

        

      
# Afficher un aperçu des données pour comprendre leur structure
data.head()

    
 
 

        

          

          
          Afficher la sortie masquée
        
        

      

        
          
          Code
        
        
          
          Texte
        
        
      

    

      

        

          
          

            
          

        

      
# Définir les colonnes numériques et catégorielles
numeric_features = ['mileage', 'hp', 'year']
categorical_features = ['make', 'model', 'fuel', 'gear', 'offerType']

# Pipeline pour les colonnes numériques
numeric_transformer = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='mean')),  # Imputer les valeurs manquantes avec la moyenne
    ('scaler', StandardScaler())  # Normaliser les données numériques
])

# Pipeline pour les colonnes catégorielles
categorical_transformer = Pipeline(steps=[
    ('imputer', SimpleImputer(strategy='most_frequent')),  # Imputer les valeurs manquantes avec la valeur la plus fréquente
    ('onehot', OneHotEncoder(handle_unknown='ignore'))  # Encoder les variables catégorielles
])

# Combiner les transformations
preprocessor = ColumnTransformer(
    transformers=[
        ('num', numeric_transformer, numeric_features),
        ('cat', categorical_transformer, categorical_features)
    ]
)

# Séparer les données en caractéristiques (X) et cible (y)
X = data.drop(columns=['price'])
y = data['price']

# Appliquer les transformations sur les caractéristiques X
X_preprocessed = preprocessor.fit_transform(X)

# Diviser les données en ensembles d'entraînement et de test
X_train, X_test, y_train, y_test = train_test_split(X_preprocessed, y, test_size=0.2, random_state=42)

# Prétraitement terminé.
# Passons à l'étape suivante : Construction du modèle de réseau de neurones.


    
 
 

        

      

        
          
          Code
        
        
          
          Texte
        
        
      

    

      

        

          
          

            
          

        

      

    
 
 

        

          

          

            
 

          

        

      

        
          
          Code
        
        
          
          Texte
        
        
      

    

      

        

          
          

            
          

        

      
import matplotlib.pyplot as plt

# Visualisation de la performance du modèle

# Courbe de l'évolution de la perte pendant l'entraînement et la validation
plt.figure(figsize=(12, 6))
plt.plot(history.history['loss'], label='Perte d\'entraînement')
plt.plot(history.history['val_loss'], label='Perte de validation')
plt.xlabel('Époque')
plt.ylabel('Perte')
plt.title('Évolution de la perte pendant l\'entraînement et la validation')
plt.legend()
plt.grid(True)
plt.show()

# Courbe de l'évolution de l'erreur absolue moyenne (MAE) pendant l'entraînement et la validation
plt.figure(figsize=(12, 6))
plt.plot(history.history['mae'], label='MAE d\'entraînement')
plt.plot(history.history['val_mae'], label='MAE de validation')
plt.xlabel('Époque')
plt.ylabel('MAE')
plt.title('Évolution de l\'erreur absolue moyenne pendant l\'entraînement et la validation')
plt.legend()
plt.grid(True)
plt.show()


    
 
 

        

          

          

            
 

          

        

      

        
          
          Code
        
        
          
          Texte
        
        
      

    

      

        

          
          

            
          

        

      
# Callbacks pour éviter le surapprentissage et améliorer la performance du modèle
callbacks = [
    EarlyStopping(monitor='val_loss', patience=20, restore_best_weights=True, verbose=1),
    ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=10, min_lr=1e-6, verbose=1)
]

# Entraîner le modèle
history = model.fit(X_train, y_train, validation_split=0.2, epochs=150, batch_size=64, callbacks=callbacks, verbose=1)

# Visualisation de la performance

# Courbe de l'évolution de la perte pendant l'entraînement
plt.figure(figsize=(12, 6))
plt.plot(history.history['loss'], label='Perte d\'entraînement')
plt.plot(history.history['val_loss'], label='Perte de validation')
plt.xlabel('Époque')
plt.ylabel('Perte')
plt.title('Évolution de la perte pendant l\'entraînement et la validation')
plt.legend()
plt.grid(True)
plt.show()

# Courbe de l'évolution de l'erreur absolue moyenne (MAE) pendant l'entraînement
plt.figure(figsize=(12, 6))
plt.plot(history.history['mae'], label='MAE d\'entraînement')
plt.plot(history.history['val_mae'], label='MAE de validation')
plt.xlabel('Époque')
plt.ylabel('MAE')
plt.title('Évolution de l\'erreur absolue moyenne pendant l\'entraînement et la validation')
plt.legend()
plt.grid(True)
plt.show()

# Évaluer les performances sur l'ensemble de test
performance = model.evaluate(X_test, y_test, verbose=1)
performance


    
 
 

        

          

          
          Afficher la sortie masquée
        
        

      

        
          
          Code
        
        
          
          Texte
        
        
      

    

              

            

          

           

      
        Produits payants Colab
      
      -
      
        Résilier les contrats ici
      
    

        

      
      

    

  

      

         

    

      
      

       
    
  
    

    
 

  

      
    

      

         

       

    

      
      

       
    
  
    

    
 

  

      

         

    

      
      

       
    
  
    

    
 

  

      
    

      
    

        

        

      

    

        
          
          Ajouter un commentaire